随着互联网的快速发展和数智化时代的到来,个性化推荐已经被广泛应用在商品、视频、音乐、电影、短视频等各种推荐场景上,并且发挥了至关重要的作用。但如何进一步提升推荐的准确性并带来更高的用户体验感,一直是相关研究的重点。现有的基于深度学习的推荐算法常使用的预估模型是以用户的点击为目标的,这样并无法考虑到用户点击后产生的其他行为,从而缩小兴趣网络降低用户满意度,并且存在样本稀疏、显隐式反馈运用不平衡、目标间“跷跷板”现象、目标梯度冲突等问题。针对上述深度推荐算法存在的不足,本文通过研究显隐式反馈数据、高低阶特征交互、多专家集成和多目标间依赖关系,结合联合焦点损失的时空混合多目标优化方法,提出了解决方案,对提升推荐场景下用户行为的预测性能进行了研究,所做的工作包括以下几个方面:（1）针对现有单目标推荐模型准确率低,多目标推荐模型样本稀疏、样本选择偏差、“跷跷板”现象等缺点,提出了一种融合显隐式反馈与多专家集成的多目标联合优化算法,把预估用户在各个行为上的概率作为模型要学习的目标,将多种目标综合归纳到一个模型中进行学习。首先,基于显隐式反馈平衡运用进行研究,利用嵌入层改变特征向量,使模型底层共享相同的特征嵌入,使用因子分解机和多任务学习构建高低阶特征交互;然后构建多专家集成,利用全连接神经网络构建的门控网络和多级专家网络学习用户行为的复杂特征关系;最后,建立目标间依赖关系提升模型精度。通过在UCI人口普查数据集上的实验证明算法有效性,在真实的900万条视频数据集上的实验证明了算法优化效果,结果表明播放目标和观看时长目标及平均AUC与单目标模型相比分别优化了0.18%、7.27%和3.57%,与常用的多目标基线模型Shared-Bottom相比AUC总体提升了1.57%。（2）针对多目标算法优化上常面临的样本不平衡及梯度冲突问题,提出联合焦点损失的时空混合多目标推荐算法,分别从损失函数和梯度冲突两个方面进行改进。损失函数的优化上,通过使用焦点损失来降低负样本损失的权重,以平衡正负样本的数据贡献。在梯度优化方面,构造空间域加时间域的算法结构,先通过将每个梯度投影到另一个的法平面上来改变梯度,防止梯度的干扰分量被应用到网络上,然后在时间域上同时考虑一阶动量和二阶动量,结合空间域一同进行梯度更新。为了验证所提优化算法改进的有效性,在1000万条真实推荐系统数据集上进行实验,将本文设计的算法与之前的算法进行对比实验,实验结果表明所提的改进算法使得模型结果提升了高达7.28%。